是否使用神经网络进行优化是正确的？

Question

我正在做一个动态价格优化项目，该项目使用神经网络。据我所知，神经网络通常用于分类。在我们的上下文中，我们用于预测产品的最优价格。通过使用已有的产品信息对模型进行培训。它通过使用生产成本，交货时间，售后服务等输入来预测产品的最优销售价格。对于测试集，我们在培训后得到以下结果。

Actual price (Of benchmark or dataset)     Predicted by neural net   
 375                                        394.23
 146                                        171.98
1211                                       1210.70

在这里，我的问题正在燃烧我，因为它是连续数据。这是我的问题，因为它是连续数据。我们可以应用神经网络并以我们已经完成的方式进行预测。

以下是火车数据集。我们需要根据其他输入来训练或预测最后一栏（售价）。

  

Cost of Product Delivery After
  Productn Quality Time Sales.Service
  871.1901 1139.99 895.13 1029.98
  296.9901 329.95 329.73 334.99
  118.7901 159.99 129.26 149.98
  791.9901 949.99 810.68 979.98
  989.9901 1099.99 1054.99 1169.98

我们正在使用r库的神经网络，学习率为0.05，迭代次数为20，反向道具算法。 我是否在使用神经网络进行价格优化时处于两难境地。 请建议我是否与神经网络一起走向正确的方向。我是否在使用神经网络进行价格优化时处于两难境地。请建议我是否配合神经网络并带我到正确的方向。 提前致谢

Answer 1

我认为您正在做的事情称为回归，而不是优化：您（或多或少）假设您的输入之间的关系变量（生产成本，交货时间......）和价格是（或多或少）平滑函数，并且您希望使用一些已知值来近似该函数。那是倒退。而且，是的，可以使用神经网络。 （不管它是否是你问题的一个很好的解决方案，我不知道。但是输出是连续的这一事实本身不是神经网络的一个问题。）

Answer 2

实际上，我认为NN非常适合这个应用程序，但它将完全取决于你构建它的方式。虽然我几天前就如何使用多层感知器进行分类here给出了答案，但我使用连续输出做了。

我做类似事情的一个例子是研究不同的工业过程参数如何影响过程的效率。我用18个过程输入做了这个，并且在通过实验跟进时得到了很好的结果。在可视化方面，我只能说明两个独立变量如何影响效率，而其他一切变量是恒定的，但是当你实际使用NN时，你显然不受限制。

graph http://i58.tinypic.com/2q2mfbd.png

当您产生“响应面”时，您可能遇到的困难在于插值和外推之间的区别。应始终寻求插值 - 也就是说，您尝试使用您认为会遇到的所有极端条件来教授模型。例如，如果您为一系列示例培训NN，其生产成本从0.10英镑/公斤产品到50英镑/公斤产品，那么您可以合理安全地要求在该范围内进行预测。如果您要求预测价格为100英镑/公斤的物品，那么您现在正在对该参数进行推断，结果可能没有意义，例如：在过去，我的预测效率为120％（不可能）。

当然，上述说起来容易做起来难。对我来说很简单，因为我可以测试我想要的每个组合以限制问题。可能是您的最低生产成本项目（即在该参数中定义极限的项目）可能具有其他输入变量的中间数量。实际上，这是收集尽可能多的数据并查看模型是否有意义的案例。

显然你永远无法确定成功，但如果你已经有了NN结构，那么在放弃NN方法之前我肯定会建议至少进行以下修改： - 更改学习规则。在我的应用中，贝叶斯正则化一直优于levenberg-marquardt。 - 更改隐藏层中的神经元数量

如果你在你的NN上使用类似Matlab的东西，那么你可以在如此短的时间内通过这么多模型进行爆破，你将很快（基本上）毫不费力地确定这种方法是否合适。